Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Mette Heimer Geändert vor über 10 Jahren
1
STATISIK LV Nr.: 0021 WS 2005/06 18. Oktober 2005
2
Zweidimensionale Merkmale
Frage: Wie lässt sich der Zusammenhang bzw. die Abhängigkeit zw. zwei Merkmalen messen? Wie stark ist der Zusammenhang bzw. die Abhängigkeit? Antwort durch Korrelationsrechnung. Lässt sich der Zusammenhang in einer bestimmten Form darstellen? Antwort durch Regressionsrechnung.
3
Zweidimensionale Merkmale
n Untersuchungseinheiten, 2 Merkmale X und Y, Ausprägungen des Merkmals X a1,…,al und Ausprägungen des Merkmals Y b1,…,bm. 2-dimensionales Merkmal (X,Y) mit Ausprägungen (aj,bk), mit absoluten Häufigkeiten hjk und relativen Häufigkeiten fjk=1/n·hjk
4
Kontingenztafel Häufigkeitsverteilung von (X,Y) wird durch Kontingenztafel dargestellt. X Y b1 … bm a1 h11 h1m : al hl1 hlm
5
Kontingenztafel Bsp. Geschlecht (X) Rauchverhalten (Y): absolute und relative Häufigkeiten von (X,Y). X Y R N-R w 9 32 m 5 27 X Y R N-R w 0,12 0,44 m 0,07 0,37
6
Kontingenztafel Absolute Randhäufigkeiten Relative Randhäufigkeiten
von aj für j=1,…,l und bk für k=1,...,m: Relative Randhäufigkeiten von aj für j=1,…,l und bk für k=1,…,m: Randhäufigkeiten ergeben die Häufigkeits-verteilung des Merkmals X bzw.Y (Randverteilung).
7
Kontingenztafel Kontingenztafel absoluten Häufigkeiten und Randhäufigkeiten X Y b1 … bm Σ a1 h11 h1m h1. : al hl1 hlm hl. h.1 h.m h..=n
8
Kontingenztafel Kontingenztafel relative Häufigkeiten und Randhäufigkeiten X Y b1 … bm Σ a1 f11 f1m f1. : al fl1 flm fl. f.1 f.m f..=1
9
Kontingenztafel Es gilt:
Relative Randhäufigkeit = 1 / n · absolute Randhäufigkeit Summe der absoluten Randhäufigkeiten = n Summe der relativen Randhäufigkeiten = 1
10
Kontingenztafel Bsp. Geschlecht (X) Rauchverhalten (Y): absolute und relative Häufigkeiten und Randhäufigkeiten von (X,Y). X Y R N-R w 9 32 41 m 5 27 14 59 73 X Y R N-R w 0,12 0,44 0,56 m 0,07 0,37 0,19 0,81 1
11
Kontingenztafel Bsp. Geschlecht (X) Rauchverhalten (Y): Zeilenprozent:
X Y R N-R w 9 32 41 m 5 27 14 59 73 X Y R N-R w 0,22 0,78 1 m 0,16 0,84 0,19 0,81
12
Kontingenztafel Bsp. Geschlecht (X) Rauchverhalten (Y):
Spaltenprozent: X Y R N-R w 9 32 41 m 5 27 14 59 73 X Y R N-R w 0,64 0,54 0,56 m 0,36 0,46 0,44 1
13
Darstellung
14
Darstellung
15
Darstellung
16
Darstellung
17
Darstellung
18
Darstellung
19
Korrelationskoeffizient
Bravais-Pearson Korrelationskoeffizient rXY 2-dimensionales metrisch skaliertes Merkmal (X,Y) mit Ausprägungen (aj,bk) und Häufigkeiten hjk für j=1,…,l und k=1,…,m. Maß für den Zusammenhang zw. X und Y:
20
Korrelationskoeffizient
rXY liegt immer im Intervall [-1,1] Extremfälle: -1 negativer linearer Zusammenhang rXY = 0 kein linearer Zusammenhang 1 positiver linearer Zusammenhang Interpretation: rXY < 0 d.h. große Werte von X treten mit kleinen Werten von Y auf rXY > 0 d.h. große Werte von X treten mit großen Werten von Y auf
21
Korrelationskoeffizient
Probleme: Scheinkorrelation: X und Y hängen von einem dritten Merkmal Z ab Bsp. Gefahr eines Waldbrandes (X) und schlechter Kornertrag (Y) hängen von der Stärke der Sonneneinstrahlung (Z) ab. Nonsenskorrelation: sachlogischer Zusammenhang zw. X und Y Bsp. Korrelation zw. Anzahl der Störche und der Anzahl der Geburten in einem Land Nichtlinearer Zusammenhang: rXY misst nur einen linearer Zusammenhang
22
Korrelation
23
Korrelation
24
Korrelationskoeffizient
Bsp. Körpergröße und Gewicht: r = 0,76 Positiver linearer Zusammenhang zw. Körpergröße und Gewicht.
25
Korrelation Fechnersche Korrelationskoeffizient (für 2 metrisch skalierte Merkmale X und Y): rF Basiert auf Vorzeichen der transformierten Paare x* und y* 1 x* und y* gleiches Vorzeichen od. beide 0 vi = ½ genau einer der Werte x* bzw. y* = 0 0 sonst
26
Korrelation Fechnersche Korrelationskoeffizient:
Werte im Intervalle [-1,1] +1 nicht nur bei positivem linearen Zusammenhang, sonder auch wenn gilt: oder
27
Korrelation Bsp. Hennen, Körpergewicht, Legeleistung
28
Korrelation Rangkorrelationen für ordinal skalierte Merkmale:
Verwendung von Rangzahlen: Merkmal Z, Ausprägungen z1,…,zn, der Größe nach ordnen (vom größten zum kleinsten Wert) z(1),…,z(n) und nummerieren. Rangzahl: R(z(i)) = i für i=1,…,n Tritt ein Ausprägung mehrmals auf (Auftreten von Bindungen), dann Rang = arithm. Mittel der Ränge, die sie einnehmen. Bsp: z(1)=8, z(2)=5, z(3)=5, z(4)=2, Ränge: R(z(1))=1, R(z(2))=2,5, R(z(3))=2,5, R(z(4))=4
29
Korrelation Spearmansche Rangkorrelationskoeffizient rS
Entspricht dem Bravais-Pearson Koeffizienten der Rangzahlen Wert +1 schon bei monoton wachsenden Beobachtungen, d.h. es gilt für alle (xi,yi), (xj,yj): mit xi < xj ist auch yi < yj
30
Korrelation Bsp. Klausur- und Übungspunkte
Einfachere Formel für den Spearman‘schen Korrelationskoeffizienten (falls alle xi und yi verschieden sind (und di=R(xi)–R(yi)):
31
Korrelation Bsp. Maturanoten Mathe, Deutsch, Englisch Mathe Deutsch
1 0,23 0,382 0,576
32
Korrelation Yulesche Assoziationskoeffizient für eine Vierfeldertafel
(X,Y) nominal skaliert Häufigkeitsverteilung von (X,Y) Es gilt: -1 ≤ AXY ≤ +1; falls ein hij=0, so gilt: |AXY|=1; Vorzeichen nur in Verbindung Vierfeldertafel interpretierbar
33
Korrelation Bsp. Geschlecht – Raucher/Nichtraucher
Leicht positiver Zusammenhang zw. Merkmalsausprägungen „w“ und „R“ R N-R w 9 32 41 m 5 27 14 59 73
34
Korrelation Bsp. Geschlecht – Raucher/Nichtraucher
Leicht negativer Zusammenhang zw. Merkmalsausprägungen „m“ und „R“ R N-R m 5 27 32 w 9 41 14 59 73
35
Theorie …
36
Wahrscheinlichkeitsrechung
Betrachte Ereignisse die nicht deterministisch (vorherbestimmbar) sind, Ereignisse mit Zufallscharakter. Bsp. Werfen eines idealen Würfels, Werfen einer fairen Münze, … Oder Ereignisse, die von so vielen Einflussfaktoren abhängen, dass das Ergebnis nicht sicher bestimmt werden kann.
37
Wahrscheinlichkeitsrechung
Grundbegriffe: Zufallsexperiment: Vorgang nach einer bestimmten Vorschrift ausgeführt, beliebig oft wiederholbar, Ergebnis hängt vom Zufall ab, bei mehrmaligen Durchführung des Experiments beeinflussen die Ergebnisse einander nicht – unabhängig voneinander. (z.B. Münzwurf, Werfen eines Würfels, …)
38
Wahrscheinlichkeitsrechung
Elementarereignisse (Realisationen) Zufallsexperiment: Reihe aller möglichen elementarer Ereignisse {e1},…,{en} Ereignisraum S: Menge der Elementarereignisse S={e1,…,en} Ereignis: Jede beliebige Teilmenge des Ereignisraumes (setzt sich aus einem od. mehreren Elementarereignissen zusammen)
39
Wahrscheinlichkeitsrechung
Vereinigung Vereinigung von 2 Ereignissen A und B: AUB Menge aller Elementarereignisse, die zu A oder B gehören Durchschnitt Durchschnitt von 2 Ereignissen A und B: A∩B Menge aller Elementarereignisse, die zu A und B gehören Disjunkte Ereignisse 2 Ereignisse A und B schließen einander aus, A∩B=Ø (Ø unmögliches Ereignis) Komplementärereignis Menge aller Elementarereignisse des Ereignisraumes S, die nicht in Ereignis A enthalten sind
40
Wahrscheinlichkeitsrechung
Wahrscheinlichkeit ist ein Maß zur Quantifizierung der Sicherheit bzw. Unsicherheit des Eintretens eines bestimmten Ereignisses im Rahmen eines Zufallsexperiments.
41
Wahrscheinlichkeitsrechung
Klassischer Wahrscheinlichkeitsbegriff: Bsp. Urne mit 10 Kugeln (8 rot, 2 schwarz) Gesucht: Wahrscheinlichkeit, dass eine zufällig gezogene Kugel rot ist (Ereignis A) Ereignisraum 10 mögl. Elementarereignisse, 8 günstige Fälle W(A) = 8 / 10 = 0,8
42
Wahrscheinlichkeitsrechung
Statistischer Wahrscheinlichkeitsbegriff: Grenzwert der relativen Häufigkeiten des Auftretens von A
43
Wahrscheinlichkeitsrechung
Subjektiver Wahrscheinlichkeitsbegriff: Ereignissen werden „Wettchancen“ zugeordnet. Quote für A ist a:b, dann ergibt sich die Wahrscheinlichkeiten
44
Wahrscheinlichkeitsrechung
Axiomatischer Wahrscheinlichkeitsbegriff: Definition von mathematischen Eigenschaften 1. 0 ≤ W(A) ≤ 1 2. W(S) = 1 3. A und B disjunkt: W(A U B) = W(A) + W(B)
45
Zufallsvariable Zufallsvariable: Variable deren Wert vom Zufall abhängt (z.B. X, Y, Z) Bsp. Zufallsexperiment: 2-maliges Werfen einer Münze. Frage: Wie oft erscheint „Zahl“? Mögliche Werte: 0, 1, 2. Variable „Anzahl Zahl“ hängt vom Zufall ab – Zufallsvariable. Realisation (Ausprägung): Wert, den eine Zufallsvariable X annimmt (z.B. x, y, z). Bsp. 2-maliges Werfen einer Münze, ZV X „Anzahl Zahl“, Ausprägungen: x1=0, x2=1, x3=2.
46
Zufallsvariable Zufallsvariable: Funktion, die jedem Elementarereignis eine bestimmt reelle Zahl zuordnet, z.B. X(ej)=xi Definitionsbereich einer ZV: Ereignisraum S des zugrundeliegenden Zufallsexperiments. Wertebereich einer ZV: Menge der reellen Zahlen.
47
Zufallsvariable Diskrete Zufallsvariable: ZV mit endlich vielen oder abzählbar unendlich vielen Ausprägungen Stetige Zufallsvariable: können (zumindest in einem bestimmten Bereich der reellen Zahlen) jeden beliebigen Zahlenwert annehmen.
48
Wahrscheinlichkeit Diskrete Zufallsvariable:
Wahrscheinlichkeit, mit der eine diskrete ZV X eine spezielle Ausprägung xi annimmt, W(X=xi): Summe der Wahrscheinlichkeiten derjenigen Elementarereignisse ej, denen Ausprägung xi zugeordnet ist:
49
Wahrscheinlichkeitsfunktion
Wahrscheinlichkeitsfunktion einer diskreten ZV: Funktion f(xi), die für jede Ausprägung der ZV (unterschiedliche Ausprägungen xi einer ZV X) die Wahrscheinlichkeit ihres Auftretens angibt: f(xi) = W(X=xi) Eigenschaften: f(xi) ≥ 0 i=1,2,… Σi f(xi) = 1
50
Verteilungsfunktion Verteilungsfunktion einer diskreten ZV: Funktion F(x), die die Wahrscheinlichkeit dafür angibt, dass die ZV X höchstens den Wert x annimmt. F(x) = W(X ≤ x) Es gilt: Treppenfunktion
51
Verteilungsfunktion Verteilungsfunktion einer stetigen ZV (kann in einem bestimmten Intervall jeden beliebigen Wert annehmen): Funktion F(x), die die Wahrscheinlichkeit dafür angibt, dass die ZV X höchstens den Wert x annimmt. F(x) = W(X ≤ x) Stetige Funktion
52
Verteilungsfunktion Eigenschaften einer stetigen Vt-Funktion:
1. 0 ≤ F(x) ≤ 1 2. F(x) ist monoton wachsend (d.h. für x1 < x2 gilt F(x1) ≤ F(x2) 3. lim x→-∞ F(x) = 0 4. lim x→∞ F(x) = 1 5. F(x) ist überall stetig
53
Wahrscheinlichkeitsdichte
Wahrscheinlichkeitsdichte (Dichtefunktion) f(x) einer stetigen ZV: Ableitung der Verteilungsfunktion. Es gilt:
54
Wahrscheinlichkeitsdichte
Eigenschaften: 1. f(x) ≥ 0 2. 3. 4. W(X=x) = 0 5. W(a ≤ X ≤ b) = W(a < X < b) 6. W(X ≤ a) = F(a) W(X ≤ b) = F(b) W(a ≤ X ≤ b) = F(b) – F(a)
55
Parameter Charakterisierung der Wahrscheinlichkeits-verteilung von Zufallsvariablen durch Parameter (Maßzahlen) Erwartungswert E(X) = Lageparameter (Entspricht dem arithm. Mittel) Varianz Var(X) = Streuungsparameter
56
Erwartungswert Diskrete ZV: Stetige ZV:
57
Varianz Diskrete ZV: Stetige ZV: Standardabweichung:
58
Standardisierung Lineare Transformation: Y = a + bX
Spezialfall Standardisierung: a = – E(X) / σX b = 1 / σX Standardisierte Variable Z: Es gilt: E(Z) = 0 und Var(Z) = 1
59
Theoretische Verteilungen
Bedeutung von theoretische Verteilungen Deskriptive Statistik: Approximative funktionsmäßige Beschreibung empirisch beobachteter Häufigkeitsverteilungen Mathematische Statistik: Wahrscheinlichkeiten für Ergebnisse bestimmter Zufallsexperimente
60
Kombinatorik Wie kann eine gegebene Anzahl von Elementen unterschiedlich angeordnet und zu Gruppen zusammengefasst werden? Wie viele Möglichkeiten gibt es, n Elemente anzuordnen? Anzahl der möglichen Permutationen? Wie viele Möglichkeiten gibt es, von n Elementen k auszuwählen? Anzahl der möglichen Kombinationen?
61
Kombinatorik Permutationen: n voneinander verschiedene Elemente:
n! = n·(n-1)·(n-2)·…·1 Permutationen Bsp.1: n=3, Elemente e1, e2, e3. Anzahl der möglichen Permutationen: 3! = 3·2·1 = 6 (e1, e2, e3) (e1, e3, e2) (e2, e1, e3) (e2, e3, e1) (e3, e1, e2) (e3, e2, e1) Bsp.2: n=10, Anzahl der möglichen Permutationen: 10! =
62
Kombinatorik n Elemente, wobei ni Elemente vom Typ i sind (r unterschiedliche Typen): Bsp.1: n=10, r=3 und n1=3, n2=5, n3=2, Anzahl der möglichen Permutationen:
63
Kombinatorik Kombinationen:
Aus n verschiedene Elemente sollen k Stück gewählt werden Kombination ohne Wiederholung: jedes Element kann nur einmal gewählt werden Berücksichtigung der Reihenfolge: Anzahl der Möglichkeiten: Keine Berücksichtigung der Reihenfolge:
64
Kombinatorik Kombinationen ohne Wiederholung:
n=3, k=2, Elemente e1, e2, e3. Berücksichtigung der Reihenfolge: Möglichkeiten: (e1, e2) (e2, e1) (e1, e3) (e3, e1) (e2, e3) (e3, e2), also 3!/(3-2)! = 6 Möglichkeiten Keine Berücksichtigung der Reihenfolge: Möglichkeiten: (e1, e2), (e1, e3) (e2, e3), also 3!/(2!(3-2)!) = 3 Möglichkeiten
65
Kombinatorik Kombinationen ohne Wiederholung:
Bsp.1: Lotto, Möglichkeiten aus 49 Zahlen 6 zu wählen (Reihenfolge unberücksichtigt) Bsp.2: Pferderennen, sind 8 Pferde am Start, gibt es für die Belegung der ersten 3 Plätze 8!/(8-3)! = 336 Möglichkeiten
66
Kombinatorik Aus n verschiedene Elemente sollen k Stück gewählt werden
Kombination mit Wiederholung: ein Element kann auch mehrfach ausgewählt werden. Berücksichtigung der Reihenfolge Anzahl der Möglichkeiten: nk Keine Berücksichtigung der Reihenfolge Anzahl der Möglichkeiten:
67
Kombinatorik Kombination mit Wiederholung:
n=3, k=2, Elemente e1, e2, e3. Berücksichtigung der Reihenfolge, Möglichkeiten: (e1, e1), (e1, e2), (e1, e3), (e2, e2), (e2, e1), (e2, e3), (e3, e3), (e3, e1), (e3, e2), Anzahl der Möglichkeiten: nk = 3² = 9 Keine Berücksichtigung der Reihenfolge, Möglichkeiten: (e1, e1), (e1, e2), (e1, e3), (e2, e2), (e2, e3), (e3, e3), Anzahl der Möglichkeiten: (3+2-1)! / (2!·(3-1)!) = 4! / (2!·2!) = 6
68
Kombinatorik Kombinationen mit Wiederholung:
Bsp.1: Würfelt man viermal hintereinander, sind 64 = Abläufe möglich Bsp.2: Hat man vier verschiedene Sorten Süßigkeiten, gibt es 286 Möglichkeiten eine Tüte mit 10 Süßigkeiten zu füllen.
69
Theoretische Verteilungen
Diskrete Verteilungen Binomialverteilung Hypergeometrische Verteilung Poissonverteilung ... Stetige Verteilungen Gleichverteilung Exponentialverteilung Normalverteilung Chi-Quadrat Verteilung t-Verteilung (Studentverteilung) F-Verteilung
70
Binomialverteilung Wahrscheinlichkeiten für die Häufigkeit des Eintreffens bestimmter Ereignisse bei Bernoulli-Experimenten berechnen. Bernoulli-Experiment: Folge von Bernoulli-Versuchen. Urnenmodell mit Zurücklegen Es gibt nur 2 mögliche Ausgänge: A und Ā Wahrscheinlichkeiten für Eintreten von A (θ) und Ā (1- θ) sind konstant Versuche sind voneinander unabhängig.
71
Binomialverteilung Bsp. Bernoulli-Experiment:
fünfmaliges Werfen einer Münze, Zufallsvariable X „Anzahl der Zahlen“, Realisation x = 0, 1, 2, 3, 4, 5 Wahrscheinlichkeiten für Eintreten von A: W(X=x) = f(x) = ?
72
Binomialverteilung Wahrscheinlichkeit des Auftretens einer bestimmten Realisation x: W(X=x) = f(x) Wahrscheinlichkeitsfunktion der Binomialverteilung:
73
Binomialverteilung Bsp. Münzwurf (n=5), Wahrscheinlichkeit dass genau 2-mal Zahl geworfen wird: W(X=2)
74
Binomialverteilung Wahrscheinlichkeit, dass die Zufallsvariable X höchstens den Wert x annimmt: Verteilungsfunktion FB(x;n,θ)
75
Binomialverteilung Bsp. Münzwurf (n=5), Wahrscheinlichkeit dass höchstens 2-mal Zahl geworfen wird: W(X 2)
76
Binomialverteilung Erwartungswert der Binomialverteilung: E(X) = n·θ
Varianz der Binomialverteilung: Var(X) = n·θ·(1-θ) Bsp. Münzwurf: E(X) = 5·0,5 = 2,5 Var(X) = 5·0,5·(1-0,5) = 1,25
77
Hypergeometrische Verteilung
Urnenmodell Ziehen ohne Zurücklegen: Urne mit N Kugeln (M schwarze, N-M weißen) Zufallsstichprobe: ziehe n Kugeln ohne Zurücklegen Wahrscheinlichkeit, dass unter den n gezogenen Kugeln genau x schwarze zu finden sind? Ziehen ohne Zurücklegen, keine Berücksichtigung der Reihenfolge.
78
Hypergeometrische Verteilung
Urnenmodell: Aus M schwarzen Kugeln genau x auswählen: Anzahl der Kombinationen Aus N-M weißen Kugeln genau n-x auswählen: Anzahl der Kombinationen Jede mögl. Stpr. „x schwarze aus M“ kann mit jeder mögl. Stpr. „n-x weiße aus N-M“ kombiniert werden. Daher: Gesamtzahl der Möglichkeiten genau x schwarze zu ziehen: Gesamtzahl der Möglichkeiten aus N Kugeln n zu ziehen:
79
Hypergeometrische Verteilung
Wahrscheinlichkeit genau n schwarz Kugeln zu ziehen: Wahrscheinlichkeitsfunktion der Hypergeometrischen Verteilung:
80
Hypergeometrische Verteilung
Verteilungsfunktion: Summation der Einzelwahrscheinlichkeiten Liefert Wahrscheinlichkeit für „höchstens x schwarze Kugeln“
81
Hypergeometrische Verteilung
Bsp. Sortiment von N=8 Dioden, es werden n=3 zufällig gezogen (ohne Zurücklegen), M=5 der Dioden sind defekt. Ges: Wahrscheinlichkeit, dass genau 2 (=x) der 3 gezogenen Dioden defekt sind.
82
Hypergeometrische Verteilung
Erwartungswert: E(X) = n · M/N Varianz Var(X) = n · M/N · (N-M)/N · (N-n)/(n-1) Approximation durch Binomialverteilung: Wenn N, M, N-M groß und n klein, Parameter der Binomialverteilung: θ = M/N Faustregel: Approximation, wenn n/N < 0,05
83
Poissonverteilung Verteilung seltener Ereignisse
Große Zahl von Versuchen n, Wahrscheinlichkeit θ für Auftreten eines Ereignisses sehr klein Wahrscheinlichkeitsfunktion:
84
Poissonverteilung Erwartungswert: E(X) = μ Varianz: Var(X) = μ
Approximation der Binomialverteilung durch die Poissonverteilung: n groß und θ klein, Parameter μ = n·θ Faustregel: n > 10 und θ < 0,05. Approximation der Hypergeometrischen Vt. M/N = θ klein, N im Vergleich zu n groß, Parameter μ = n · M/N Faustregel: M/N < 0,05 und n/N < 0,05
85
Poissonverteilung Bsp. Wahrscheinlichkeit bei einer Prüfung von n=2000 Buchungen genau 3 (=x) Fehlbuchungen zu finden, Anteil der Fehlbuchungen: θ=0,001. Poissonverteilung: μ = n·θ = 2
86
Gleichverteilung Diskrete Zufallsvariable:
Jede der k möglichen Ausprägungen hat gleiche Wahrscheinlichkeit P(X=xi) = 1/k (i=1,…,k) Bsp. Wahrscheinlichkeitsverteilung der Augenzahl eines idealen Würfels: P(X=xi) = 1/6 (i=1,…,6)
87
Gleichverteilung Stetige Zufallsvariable:
Realisationen der stetigen Zufallsvariablen X liegen im Intervall [a;b] Dichtefunktion: P(x X x+Δx) = 1/(b-a) · Δx
88
Gleichverteilung
89
Gleichverteilung Verteilungsfunktion (Integration der Dichte)
90
Gleichverteilung
91
Gleichverteilung Erwartungswert: E(X) = (a+b)/2
Varianz: Var(X) = (b-a)² / 12 Bsp. Wegzeit ist gleichverteilt im Intervall [30;40]. Ges. Wahrscheinlichkeit zw. 32 und 35 Min. zu benötigen. P(32 X 35) = 1/(b-a) · Δx = 1/(40-30) · (35-32) = 0,3 Durchschnittlich benötigte Zeit: E(X) = 35
92
Normalverteilung Wichtigste theoretische Verteilung: Normalverteilung:
stetige Verteilung symmetrische Dichtefunktion S-förmige Verteilungsfunktion Erwartungswert: E(X) = µ Varianz: Var(X) = σ² Maximum der Dichte bei x=µ Wendepunkte bei x=µσ
93
Normalverteilungen Normalverteilung:
Dichtefunktion (für -∞<x<+∞ und σ>0) : Verteilungsfunktion:
94
Normalverteilung Normalverteilungen mit unterschiedlichen Parametern
95
Normalverteilung Verteilungsfunktion
96
Normalverteilung Standardnormalverteilung: Dichtefunktion:
Erwartungswert µ = 0 Varianz σ² = 1 Dichtefunktion:
97
Normalverteilung Standardnormalverteilung
98
Normalverteilung Approximation durch Normalverteilung: Mit wachsendem n nähern sich viele theoretische Vt. der Normalverteilung Empirische Verteilungen lassen sich ebenfalls oft durch die N-Vt. annähern.
99
Normalverteilung Reproduktionseigenschaft (od. Additivitäts- eigenschaft) der Normal-Vt. Additionstheorem der Normalverteilung: Die Summe (X) von n unabhängig normalverteilten Zufallvariablen X1,…,Xn ist ebenfalls normalverteilt. X = X1 + … + Xn Der Erwartungswert von X ist die Summe der einzelnen Erwartungswerte μ1,…,μn E(X) = μ = μ1 + … + μn Die Varianz von X ist die Summe der einzelnen Varianzen σ1²,…σn² Var(X) = σ² = σ1² + … + σn²
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.